Text Analytics

Een AI-service die inzichten zoals sentiment, entiteiten en sleuteltermen detecteert

Inzichten verkrijgen op basis van tekst

Verkrijg nieuwe inzichten in ongestructureerde tekst met behulp van natuurlijke taalverwerking (NLP; natural language processing). Geen machine learning-expertise vereist. Zoek naar sleuteltermen en entiteiten zoals personen, plaatsen en organisaties om populaire onderwerpen en trends te begrijpen. Classificeer medische terminologie met behulp van domeinspecifieke, vooraf getrainde modellen. Krijg dieper inzicht in meningen van klanten met sentimentanalyse. Evalueer tekst in een groot aantal talen.

Brede extractie van entiteiten

Identificeer belangrijke concepten in tekst, waaronder sleuteltermen en benoemde entiteiten, zoals personen, plaatsen en organisaties.

Krachtige sentimentanalyse

Bekijk wat klanten zeggen over uw merk en ontdek welk sentiment er bestaat rond specifieke onderwerpen.

Robuuste taaldetectie

Evalueer tekstinvoer in een groot aantal talen.

Flexibele implementatie

Voer Text Analytics overal uit: in de cloud, on-premises of aan de rand in containers.

  1. Geanalyseerde tekst
  2. JSON
Talen: English (betrouwbaarheid: 100 %)
Sleutelfrasen: place, online menu, great menu, marvelous food, midtown NYC, week, dinner party, Contoso Steakhouse, pre-order, John Doe, Sirloin steak, chief cook, owner, kitchen, spot, dining, complaint, email
Stemming:
Document
MIXED
86%
Positief
0%
Neutraal
14%
Negatief
Zin 1
POSITIVE
99%
Positief
1%
Neutraal
0%
Negatief
Zin 2
POSITIVE
100%
Positief
0%
Neutraal
0%
Negatief
Zin 3
POSITIVE
100%
Positief
0%
Neutraal
0%
Negatief
Zin 4
POSITIVE
100%
Positief
0%
Neutraal
0%
Negatief
Zin 5
POSITIVE
100%
Positief
0%
Neutraal
0%
Negatief
Zin 6
NEUTRAL
0%
Positief
100%
Neutraal
0%
Negatief
Zin 7
NEGATIVE
0%
Positief
0%
Neutraal
100%
Negatief
Zin 8
POSITIVE
100%
Positief
0%
Neutraal
0%
Negatief
Benoemde entiteiten: Contoso Steakhouse [Location]
midtown NYC [Location]
last week [DateTime-DateRange]
chief cook [PersonType]
owner [PersonType]
John Doe [Person]
kitchen [Location-Structural]
www.contososteakhouse.com [URL]
312-555-0176 [Phone Number]
email [Skill]
order@contososteakhouse.com [Email]
PII-entiteiten: Type: Person
Value: John Doe

Type: URL
Value: www.contososteakhouse.com

Type: Phone Number
Value: 312-555-0176

Type: Email
Value: order@contososteakhouse.com

Gekoppelde entiteiten: We went to Contoso Steakhouse located at midtown NYC last week for a dinner party, and we adore the spot! They provide marvelous food and they have a great menu. The chief cook happens to be the owner (I think his name is John Doe) and he is super nice, coming out of the kitchen and greeted us all. We enjoyed very much dining in the place! The Sirloin steak I ordered was tender and juicy, and the place was impeccably clean. You can even pre-order from their online menu at www.contososteakhouse.com, call 312-555-0176 or send email to order@contososteakhouse.com! The only complaint I have is the food didn't come fast enough. Overall I highly recommend it!
{
  "languageDetection": {
    "documents": [
      {
        "id": "d3baf3c9-d719-4369-85b5-78b6bc320927",
        "detectedLanguages": [
          {
            "name": "English",
            "iso6391Name": "en",
            "score": 1.0
          }
        ]
      }
    ],
    "errors": [],
    "modelversion": "2019-10-01"
  },
  "keyPhrases": {
    "documents": [
      {
        "id": "d3baf3c9-d719-4369-85b5-78b6bc320927",
        "keyPhrases": [
          "place",
          "online menu",
          "great menu",
          "marvelous food",
          "midtown NYC",
          "week",
          "dinner party",
          "Contoso Steakhouse",
          "pre-order",
          "John Doe",
          "Sirloin steak",
          "chief cook",
          "owner",
          "kitchen",
          "spot",
          "dining",
          "complaint",
          "email"
        ]
      }
    ],
    "errors": [],
    "modelversion": "2020-07-01"
  },
  "sentiment": {
    "documents": [
      {
        "id": "d3baf3c9-d719-4369-85b5-78b6bc320927",
        "sentiment": "mixed",
        "documentscores": {
          "positive": 0.86,
          "neutral": 0.0,
          "negative": 0.14
        },
        "sentences": [
          {
            "sentiment": "positive",
            "sentencescores": {
              "positive": 0.99,
              "neutral": 0.01,
              "negative": 0.0
            },
            "offset": 0,
            "length": 105
          },
          {
            "sentiment": "positive",
            "sentencescores": {
              "positive": 1.0,
              "neutral": 0.0,
              "negative": 0.0
            },
            "offset": 106,
            "length": 55
          },
          {
            "sentiment": "positive",
            "sentencescores": {
              "positive": 1.0,
              "neutral": 0.0,
              "negative": 0.0
            },
            "offset": 162,
            "length": 137
          },
          {
            "sentiment": "positive",
            "sentencescores": {
              "positive": 1.0,
              "neutral": 0.0,
              "negative": 0.0
            },
            "offset": 300,
            "length": 41
          },
          {
            "sentiment": "positive",
            "sentencescores": {
              "positive": 1.0,
              "neutral": 0.0,
              "negative": 0.0
            },
            "offset": 342,
            "length": 85
          },
          {
            "sentiment": "neutral",
            "sentencescores": {
              "positive": 0.0,
              "neutral": 1.0,
              "negative": 0.0
            },
            "offset": 428,
            "length": 139
          },
          {
            "sentiment": "negative",
            "sentencescores": {
              "positive": 0.0,
              "neutral": 0.0,
              "negative": 1.0
            },
            "offset": 568,
            "length": 62
          },
          {
            "sentiment": "positive",
            "sentencescores": {
              "positive": 1.0,
              "neutral": 0.0,
              "negative": 0.0
            },
            "offset": 631,
            "length": 30
          }
        ]
      }
    ],
    "errors": [],
    "modelversion": "2020-04-01"
  },
  "entities": {
    "documents": [
      {
        "id": "d3baf3c9-d719-4369-85b5-78b6bc320927",
        "entities": [
          {
            "text": "Contoso Steakhouse",
            "type": "Location",
            "subtype": null,
            "offset": 11,
            "length": 18,
            "score": 0.46
          },
          {
            "text": "midtown NYC",
            "type": "Location",
            "subtype": null,
            "offset": 41,
            "length": 11,
            "score": 0.55
          },
          {
            "text": "last week",
            "type": "DateTime",
            "subtype": "DateRange",
            "offset": 53,
            "length": 9,
            "score": 0.8
          },
          {
            "text": "chief cook",
            "type": "PersonType",
            "subtype": null,
            "offset": 166,
            "length": 10,
            "score": 0.82
          },
          {
            "text": "owner",
            "type": "PersonType",
            "subtype": null,
            "offset": 195,
            "length": 5,
            "score": 0.71
          },
          {
            "text": "John Doe",
            "type": "Person",
            "subtype": null,
            "offset": 222,
            "length": 8,
            "score": 0.94
          },
          {
            "text": "kitchen",
            "type": "Location",
            "subtype": "Structural",
            "offset": 272,
            "length": 7,
            "score": 0.6
          },
          {
            "text": "www.contososteakhouse.com",
            "type": "URL",
            "subtype": null,
            "offset": 477,
            "length": 25,
            "score": 0.8
          },
          {
            "text": "312-555-0176",
            "type": "Phone Number",
            "subtype": null,
            "offset": 509,
            "length": 12,
            "score": 0.8
          },
          {
            "text": "email",
            "type": "Skill",
            "subtype": null,
            "offset": 530,
            "length": 5,
            "score": 0.8
          },
          {
            "text": "order@contososteakhouse.com",
            "type": "Email",
            "subtype": null,
            "offset": 539,
            "length": 27,
            "score": 0.8
          }
        ]
      }
    ],
    "errors": [],
    "modelversion": "2020-04-01"
  },
  "entityLinking": {
    "documents": [
      {
        "id": "d3baf3c9-d719-4369-85b5-78b6bc320927",
        "entities": [
          {
            "name": "Sirloin steak",
            "matches": [
              {
                "text": "Sirloin steak",
                "offset": 346,
                "length": 13,
                "score": 0.69
              }
            ],
            "language": "en",
            "id": "Sirloin steak",
            "url": "https://en.wikipedia.org/wiki/Sirloin_steak",
            "datasource": "Wikipedia"
          },
          {
            "name": "Steakhouse",
            "matches": [
              {
                "text": "Steakhouse",
                "offset": 19,
                "length": 10,
                "score": 0.78
              }
            ],
            "language": "en",
            "id": "Steakhouse",
            "url": "https://en.wikipedia.org/wiki/Steakhouse",
            "datasource": "Wikipedia"
          },
          {
            "name": "John Doe",
            "matches": [
              {
                "text": "John Doe",
                "offset": 222,
                "length": 8,
                "score": 0.01
              }
            ],
            "language": "en",
            "id": "John Doe",
            "url": "https://en.wikipedia.org/wiki/John_Doe",
            "datasource": "Wikipedia"
          },
          {
            "name": "New York City",
            "matches": [
              {
                "text": "NYC",
                "offset": 49,
                "length": 3,
                "score": 0.39
              }
            ],
            "language": "en",
            "id": "New York City",
            "url": "https://en.wikipedia.org/wiki/New_York_City",
            "datasource": "Wikipedia"
          }
        ]
      }
    ],
    "errors": [],
    "modelversion": "2020-02-01"
  },
  "entityPII": {
    "documents": [
      {
        "id": "d3baf3c9-d719-4369-85b5-78b6bc320927",
        "entities": [
          {
            "text": "John Doe",
            "type": "Person",
            "subtype": null,
            "offset": 222,
            "length": "8",
            "score": 0.94
          },
          {
            "text": "www.contososteakhouse.com",
            "type": "URL",
            "subtype": null,
            "offset": 477,
            "length": "25",
            "score": 0.8
          },
          {
            "text": "312-555-0176",
            "type": "Phone Number",
            "subtype": null,
            "offset": 509,
            "length": "12",
            "score": 0.8
          },
          {
            "text": "order@contososteakhouse.com",
            "type": "Email",
            "subtype": null,
            "offset": 539,
            "length": "27",
            "score": 0.8
          }
        ]
      }
    ],
    "errors": [],
    "modelversion": "2020-07-01"
  }
}

Belangrijke concepten identificeren en categoriseren

Classificeer een grote verscheidenheid aan entiteiten in tekst, zoals personen, plaatsen, organisaties, datum/tijd en percentages, met behulp van Herkenning van benoemde entiteiten. Detecteer en extraheer meer dan 100 soorten persoonsgegevens (PII), waaronder beveiligde gezondheidsgegevens (PHI), in documenten.

Sleuteltermen uit ongestructureerde tekst extraheren

Evalueer en identificeer snel de belangrijkste punten in ongestructureerde tekst. Haal een lijst op met relevante termen die het onderwerp van elke record het beste beschrijven met sleuteltermextractie Haal eenvoudig gegevens op en structureer ze om inzicht te krijgen in belangrijke onderwerpen en trends.

Krijg meer inzicht in de perceptie van de klant

Detecteer positieve en negatieve sentimenten in sociale media, klantbeoordelingen en andere bronnen om uit te vinden hoe over uw merk wordt gedacht. Gebruik opinion mining (ook wel sentimentanalyse genoemd) om de klantperceptie van aspecten, zoals specifieke kenmerken van producten of services, te verkennen in tekst.

Niet-gestructureerde medische gegevens verwerken

Extraheer inzichten uit ongestructureerde klinische documenten, zoals de notities van artsen, elektronische gezondheidsdossiers en intakeformulieren van patiënten met de Text Analytics-functie voor de gezondheidszorg (gated openbare preview). Hiermee kunt u medische concepten, zoals diagnose, symptomen en dosering en frequentie van medicatie herkennen, classificeren en de relaties tussen deze concepten bepalen.

De taal van tekst detecteren

Evalueer tekstinvoer in veel verschillende talen, varianten en dialecten met behulp van de functie voor taaldetectie.

Overal vanuit de cloud naar de rand implementeren

Gebruik Text Analytics daar waar uw gegevens zich bevinden. Ontwikkel toepassingen die zijn geoptimaliseerd voor gebruik van robuuste cloudmogelijkheden en de randlocatie met behulp van containers.

Uitgebreide privacy en beveiliging

  • Uw gegevens blijven van u. Microsoft gebruikt de training die op uw tekst is uitgevoerd niet voor het verbeteren van modellen.
  • Kies met behulp van containers waar Cognitive Services uw gegevens verwerkt.
  • Text Analytics wordt ondersteund door de infrastructuur van Azure en biedt een uitstekende beveiliging, beschikbaarheid, naleving en beheerbaarheid.

Profiteer van de kracht en controle en het aanpassingsvermogen dat u nodig hebt met flexibele prijzen

  • Betaal uitsluitend voor wat u gebruikt zonder kosten vooraf.
  • Met Text Analytics betaalt u voor wat u gebruikt, gebaseerd op het aantal transacties.

Text Analytics-resources

Aan de slag

Vertrouwd door bedrijven van elke omvang

KPMG stroomlijnt fraudeanalyse

KPMG helpt financiële instellingen miljoenen te besparen op kosten die gemoeid zijn met het al dan niet naleven van regelgeving. Het bedrijf maakt daarvoor gebruik van de oplossing Customer Risk Analytics, dat in staat is specifieke tekstpatronen en trefwoorden te detecteren om te kunnen zien waar zich nalevingsrisico's voordoen.

Het verhaal lezen

KPMG

Wilson Allen ontgrendelt inzichten uit ongestructureerde gegevens

Wilson Allen heeft een krachtige AI-oplossing gemaakt die juridische en professionele dienstverleners over de wereld kunnen gebruiken om een ongekende mate van inzicht te krijgen in gegevens die eerder afgebakend en ongestructureerd waren.

Het verhaal lezen

Wilson Allen

IHC maakt servicetechnici productiever

Royal IHC maakt gebruik van Azure Cognitive Search en Text Analytics, waardoor hun technici minder tijd hoeven te besteden aan het handmatig invoeren van zoekopdrachten om diverse bronnen te doorzoeken, en ze op basis van hun gestructureerde en ongestructureerde gegevens tot inzichten kunnen komen.

Het verhaal lezen

Royal IHC

LaLiga vergroot betrokkenheid van fans

LaLiga is in staat om honderden miljoenen fans individueel te woord te staan en zo hun betrokkenheid te vergroten door het inzetten van persoonlijke digitale assistenten. Deze gebruiken Text Analytics voor het verwerken van binnenkomende query's in meerdere talen en zijn in staat om de intenties van gebruikers te bepalen.

Het verhaal lezen

LaLiga

TIBCO brengt analyse van hoofdoorzaken naar de rand

TIBCO gebruikt Text Analytics en Anomaly Detector voor het detecteren en analyseren van anomalieën (plotselinge wijzigingen in gegevenspatronen), het opsporen van hoofdoorzaken en het leveren van voorgestelde acties.

Het verhaal lezen

TIBCO

Kotak Mahindra Bank verhoogt de productiviteit

Kotak Asset Management transformeert het beheer van klantenservice door chatbots te gebruiken voor het gemakkelijk analyseren van onderwerpregels, klantgegevens en e-mailinhoud, en op grond daarvan het sentiment te identificeren om te bepalen wat de beste vervolgactie is.

Het verhaal lezen

Kotak

Veelgestelde vragen over Text Analytics

  • Text Analytics kan een groot aantal talen, taalvarianten en dialecten detecteren. Zie voor meer informatie de documentatie over taalondersteuning.
  • Nee, de modellen zijn vooraf getraind. Het bijhouden van scores, de extractie van sleuteltermen en bewerkingen die nodig zijn voor de detectie van de taal, zijn beschikbaar voor gegevens die zijn geüpload. Als u aangepaste modellen wilt maken en hosten, wordt u aangeraden de service Language Understanding te verkennen.
  • Natuurlijk. Sentimentanalyse en extractie van sleuteltermen zijn beschikbaar voor een geselecteerd aantal talen, en u kunt aanvragen voor extra talen indienen bij het Text Analytics-forum.
  • Bij de extractie van sleuteltermen worden niet-essentiële woorden en losstaande bijvoeglijke naamwoorden geëlimineerd. Combinaties van zelfstandig naamwoorden, zoals 'spectaculaire panorama's' of 'mistig weer' worden in zijn geheel geretourneerd. Normaal gesproken bestaat uitvoer uit zelfstandige naamwoorden en onderwerpen in de zin die in volgorde van belangrijkheid worden weergegeven. Belangrijkheid wordt gemeten op basis van het aantal keren dat een bepaald concept wordt vermeld, of op basis van de relatie van dat element met andere elementen in de tekst.
  • Verbeteringen aan modellen en algoritmen worden aangekondigd als het om een ingrijpende wijziging gaat, en worden aan de service toegevoegd als de update minder ingrijpend is. Het kan gebeuren dat u na verloop van tijd, als u dezelfde tekst invoert, een andere sentimentscore krijgt te zien of dat er een andere sleutelterm wordt geretourneerd. Dit is een normaal en een bewust gevolg van het gebruik van beheerde machine learning-resources in de cloud.

Ga aan de slag met Text Analytics